编辑推荐：
为探究医学生能否借助 ChatGPT 学习编程，以及哪些因素影响其使用意愿，研究人员以 30 名本科医学生为对象，开展基于扎根理论的研究。结果发现使用意愿分积极、中立、消极三类，受个体、技术、信息、环境因素影响，为 ChatGPT 融入医学教育提供参考。
在当今信息时代，医学领域与信息技术的融合愈发紧密。计算机编程作为一项关键技能，对于医学生在后续临床和科研工作中利用信息技术解决前沿问题至关重要。然而，医学生在学习编程时面临诸多难题。一方面，医学院校课程繁重，医学生需平衡专业课程与编程学习，时间管理困难，接触编程的机会有限；另一方面，部分医学生认为编程与专业关联不大，缺乏学习主动性，且编程的逻辑抽象思维与传统医学教育的经验学习差异大，让许多医学生感到学习编程颇具挑战。
在此背景下，人工智能技术的飞速发展为解决这一问题带来了新的可能。ChatGPT 作为人工智能技术发展的标志性产品，其在医学教育领域的应用引发了广泛关注。它能提供丰富知识、增强学习体验，但也存在学术不端、削弱学生独立思考能力等风险。在医学教育中，明确 ChatGPT 的应用价值与风险，探索医学生对其的接受程度至关重要。然而，目前关于医学生在编程学习中对 ChatGPT 的看法尚未有明确研究。
为深入了解这一情况，北京大学的研究人员开展了一项基于扎根理论的研究。该研究旨在探究医学生在编程学习中使用 ChatGPT 的体验与看法，剖析影响其使用意愿的因素，为 ChatGPT 有效融入医学教育提供参考。研究成果发表在《BMC Medical Education》杂志上。
研究人员采用经典扎根理论，通过设计访谈大纲、招募参与者、进行半结构化访谈并收集数据，随后对数据进行严谨的筛选与编码分析。具体来说，在设计访谈大纲时，先基于相关理论和研究成果设计初稿，经预访谈后完善形成正式大纲；招募的参与者为 2023 年 9 月至 2024 年 1 月修读大学计算机课程的一年级医学本科生；访谈全程录音并整理成文本数据；数据编码遵循开放编码、轴向编码、选择编码三个步骤，并进行理论饱和检验，以确保研究结果的可靠性。
研究结果主要体现在以下几个方面：
- 定量结果：参与研究的 30 名学生中，女生占 60%（18 人），男生占 40%（12 人），来自不同医学专业，且编程知识和技能水平各异。
- 开放编码结果：经分析得到 26 个有效初始概念，进一步聚类形成 10 个独立类别，涵盖信息质量、技术优势、感知风险等多个方面。例如，将 “信息准确性”“是否满足需求”“是否过时” 等方面归类为 “信息质量”。
- 轴向编码结果：从 10 个独立类别中总结出 5 个主要类别，即个体因素、技术因素、信息因素、环境因素和使用意愿。
- 选择编码结果：确定 “医学生编程学习中使用 ChatGPT 意愿的影响因素” 为核心类别，明确个体、技术、信息、环境因素对医学生接受 ChatGPT 辅助编程的影响。
- 构建影响因素模型框架：综合考虑上述四个维度因素，构建模型框架，为深入理解医学生使用意愿提供理论支持。
在研究结论与讨论部分，研究发现医学生对 ChatGPT 的认知不同，导致使用意愿分为积极、中立和消极三类，且主要受个体、技术、信息、环境四个维度因素的影响。
- 个体因素：医学生对 ChatGPT 的认知兴趣、情感反应以及使用带来的收益（如增强学习信心、提高编程能力）会提升使用意愿，而对心理依赖、能力发展受阻等风险的担忧则会降低使用意愿。
- 技术因素：ChatGPT 的技术优势（如自然语言交互、个性化学习）使其在解决编程问题时更高效，但技术壁垒（如访问受限、使用成本高、响应速度慢）和技术伦理问题（如数据隐私安全、学术诚信）会影响医学生的使用意愿。
- 信息因素：信息质量是吸引医学生使用 ChatGPT 的关键，信息获取的难易程度也会影响其使用意愿。若要获得理想的代码，需给出详细指令，且生成结果可能存在问题，限制了医学生获取有效编程信息。
- 环境因素：社交媒体和同伴影响会刺激医学生使用 ChatGPT 的意愿，在特定编程学习场景（如拓展编程思路、备考、纠错）中，医学生使用意愿较高。
基于以上研究结论，研究人员提出了相应的措施和建议。如谨慎对待 ChatGPT 带来的风险，加强伦理教育，学校可制定使用指南并结合检测软件，培养学生正确使用的意识和习惯；加强批判性思维培养，建立 ChatGPT 应用案例库，通过教学设计和评估方式的改进，提升学生独立思考能力；开展个性化学习指导，利用 ChatGPT 的优势提升医学生编程核心素养，注重培养计算思维、人工智能素养和跨学科素养。
这项研究构建了医学生编程学习中使用 ChatGPT 意愿影响因素的理论框架，深化了对医学生使用 ChatGPT 体验和认知的理解，弥补了现有文献的不足，为 AIGC 工具（如 ChatGPT）有效融入医学教育提供了重要参考。未来研究可进一步扩大样本量、纳入其他 AIGC 工具进行对比分析，以完善该理论框架，推动医学教育与人工智能技术的深度融合，提升医学教育质量，培养适应时代发展的复合型医学人才。
